-
公开(公告)号：CN115546503B
公开(公告)日：2025-02-07
申请号：CN202211285533.X
申请日：2022-10-20
Applicant: 济南大学
IPC: G06V10/42 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明公开了基于深度注意力的自适应多尺度视觉特征表达方法及系统，包括：获取原始神经网络模型作为SDA网络模块的主干分支，用于分层特征的提取；设计SDA网络模块的轻量化深度注意力分支，用于动态加权分层特征；堆叠多个SDA网络模块构成神经网络，即为基于深度注意力的自适应多尺度视觉特征表达的神经网络方法；对自适应多尺度特征表达神经网络SDA‑Net进行参数优化，所得到的神经网络模型可用于图像分类、目标检测和语义分割等视觉任务的主干。
-
公开(公告)号：CN116366247A
公开(公告)日：2023-06-30
申请号：CN202310372881.9
申请日：2023-04-10
Applicant: 济南大学 , 山东记食信息科技有限公司
Abstract: 本申请公开了一种基于地理位置可寻址网络的服务器动态选择门限代理重加密方法动态选择门限代理重加密方法。该基于地理位置可寻址网络的服务器动态选择门限代理重加密方法包括收集代理服务器集群各服务器的地理位置，构建集群分布地理位置网络图；当数据使用者需选择与自己距离最近的多个服务器进行授权申请时，则执行代理服务器动态选择操作；将离数据使用者相对最近的多个代理服务器身份信息发给数据使用者，数据使用者执行授权申请操作；达到动态选择门限代理服务器的目的，保证数据使用者可获得地理位置相距最近的多个服务器的授权，进而解决门限代理重加密过程中数据申请者如何动态选择与自己距离最近的多个服务器进行授权申请的问题。
-
公开(公告)号：CN115541613A
公开(公告)日：2022-12-30
申请号：CN202211245053.0
申请日：2022-10-12
Applicant: 济南大学
Abstract: 本发明公开了一种基于人工智能的电除尘器安全操作规程检测方法，包括图像采集单元、图像标记单元、目标检测单元、计算单元、顺序对比单元以及违规警告单元，利用计算机视觉，图像处理等技术，搭建了一款复杂场景下自动化安全流程监测方法，能够识别出操作人员进行操作的步骤顺序以及操作是否规范，通过识别操作顺序并产生及相关记录，再将操作记录与操作规范流程所对比得出结论，若发现不规范流程则及时警告，保证企业的安全生产。
-
公开(公告)号：CN116434039B
公开(公告)日：2023-10-13
申请号：CN202310685594.3
申请日：2023-06-12
Applicant: 济南大学
Abstract: 本申请实施例提供了一种基于多尺度拆分注意力机制的目标检测方法，涉及视觉技术领域。用于实现多尺度注意力融合和增强，提升目标检测的准确性。所述方法包括：获取多个通道数相同的输入尺度，对每个尺度进行拆分注意力操作，进行特征增强，同时获取每个尺度单独的通道特征信息，融合得到全局通道特征信息，然后经过注意力提取获取全局通道注意力，然后分别增强单个尺度输出的增强特征信息，使得单个输出尺度不仅包含自身的增强特征信息，更包含其他相关联特征尺度的特征信息，从而达到多尺度信息融和增强的效果。
-
公开(公告)号：CN116645523A
公开(公告)日：2023-08-25
申请号：CN202310904296.9
申请日：2023-07-24
Applicant: 济南大学 , 江西蓝瑞存储科技有限公司
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/774
Abstract: 本申请实施例提供了一种基于改进RetinaNet的快速目标检测方法，涉及计算机视觉领域。用于在保证检测准确率不大幅度下降的同时，大幅提高RetinaNet检测速度，提高计算效率。所述方法包括：针对大、中、小三种尺度目标分别训练三种目标位置检测头，在低分辨率特征图检测目标位置，将位置还原到高分辨率特征图，并在三种不同的分辨率特征图上检测三种尺度的目标，从而避免在高分辨率特征图检测无关背景区域，节约检测目标的计算量，提高计算效率，同时高分辨率特征图检测到的目标位置和相邻低分辨率特征图目标位置基本一致，这样操作得到的检测准确率和直接在高分辨率特征图检测得到的准确率差别较小。
-
Patent Agency Ranking
公开(公告)号：CN115546503A
公开(公告)日：2022-12-30
申请号：CN202211285533.X
申请日：2022-10-20
Applicant: 济南大学
IPC: G06V10/42 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于深度注意力的自适应多尺度视觉特征表达方法及系统，包括：获取原始神经网络模型作为SDA网络模块的主干分支，用于分层特征的提取；设计SDA网络模块的轻量化深度注意力分支，用于动态加权分层特征；堆叠多个SDA网络模块构成神经网络，即为基于深度注意力的自适应多尺度视觉特征表达的神经网络方法；对自适应多尺度特征表达神经网络SDA‑Net进行参数优化，所得到的神经网络模型可用于图像分类、目标检测和语义分割等视觉任务的主干。
-
公开(公告)号：CN114359742B
公开(公告)日：2022-09-16
申请号：CN202210274690.4
申请日：2022-03-21
Applicant: 济南大学
IPC: G06V20/10 , G06V10/40 , G06V10/75 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种优化小目标检测的加权损失函数计算方法，涉及图像识别目标检测领域。本发明在基于深度学习目标检测模型的基础上，针对小目标检测精度低的挑战，结合目标检测模型的输出预测框和真实框的匹配，对目标检测模型的预测框损失计算函数采用加权惩罚，提高目标检测模型对小目标的学习能力，提高目标检测的精度。相比增加模型参数和增强特征融合等方法，本发明在不提升模型参数量和不影响模型推理速度的条件下，提高图像识别中目标检测的精度，具备高效性。
-
公开(公告)号：CN114863371A
公开(公告)日：2022-08-05
申请号：CN202210807302.4
申请日：2022-07-11
Applicant: 济南大学
Abstract: 本发明公开了一种基于深度学习的食品粗加工违规检测方法，涉及图像识别和食品安全检测技术领域。本发明通过获取食品粗加工间图像，识别出粗加工间常用用具和容器，例如菜刀、厨刀、锯齿刀、去骨刀、去皮刀、箩筐、砧板、周转盆、不锈钢盆、垃圾桶、拖把等，通过训练好的神经网络模型进行目标检测，获取这些用具和容器的二维坐标，与标记区域进行位置判定，通过预设逻辑判定粗加工间工作人员在食品粗加工期间是否出现违规行为，与人工监督食品粗加工相比，本发明检测效率更高，实时性更好，信息化程度有很大提高。
-
公开(公告)号：CN114359742A
公开(公告)日：2022-04-15
申请号：CN202210274690.4
申请日：2022-03-21
Applicant: 济南大学
IPC: G06V20/10 , G06V10/40 , G06V10/75 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种优化小目标检测的加权损失函数计算方法，涉及图像识别目标检测领域。本发明在基于深度学习目标检测模型的基础上，针对小目标检测精度低的挑战，结合目标检测模型的输出预测框和真实框的匹配，对目标检测模型的预测框损失计算函数采用加权惩罚，提高目标检测模型对小目标的学习能力，提高目标检测的精度。相比增加模型参数和增强特征融合等方法，本发明在不提升模型参数量和不影响模型推理速度的条件下，提高图像识别中目标检测的精度，具备高效性。
-
公开(公告)号：CN116110071B
公开(公告)日：2023-09-12
申请号：CN202310361501.1
申请日：2023-04-07
Applicant: 济南大学
IPC: G06V30/422 , G06V30/414 , G06V10/26 , G06V10/774 , G06V10/82 , G06V30/146
Abstract: 本发明公开了一种基于深度学习的图像格式管道和仪表图管线识别方法。涉及图像识别和管道和仪表图领域。本发明通过基于深度学习的算法，在管道和仪表图P&ID中先识别并删除符号和文字区域，将长管线分割成重复短管线，在识别完成后，将符合条件的短管线合并为长管线，达到识别各种长度管线的效果，并最后输出各段管线的端点和分类。本发明与人工识别管道和仪表图中管线相比，管线识别时间大幅缩小，识别准确率不受限于人工熟练度影响，信息化程度更好。相比现有的几种方法，本发明在识别准确率较高的前提下，使用更短的识别时间识别多种类型和多种长度的管线。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.016 seconds)
